[發(fā)明專利]人工神經(jīng)網(wǎng)絡(luò)的人臉動態(tài)表情識別方法及裝置

有效

• 申請?zhí)枺?/td>: 202110057226.5
• 申請日: 2021-01-15
• 公開（公告）號: CN112766145B
• 公開（公告）日: 2021-11-26
• 發(fā)明（設(shè)計）人: 彭保;姚智;段遲;高潔
• 申請（專利權(quán)）人: 深圳信息職業(yè)技術(shù)學院
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/08
• 代理公司: 深圳市智勝聯(lián)合知識產(chǎn)權(quán)代理有限公司 44368
• 代理人: 齊文劍

本申請?zhí)峁┝艘环N基于人工神經(jīng)網(wǎng)絡(luò)的人臉動態(tài)表情識別方法及裝置，所述方法應(yīng)用于在人員固定場景下的視頻中人員表情所屬身份和/或表情強度類別預測；所述方法包括：獲取待測人員的原始視頻數(shù)據(jù)，并確定所述原始視頻數(shù)據(jù)中預設(shè)幀數(shù)的圖像數(shù)據(jù)；依據(jù)所述預設(shè)幀數(shù)的圖像數(shù)據(jù)生成特征組；利用人工智能的自學習能力，建立所述待測人員的特征組與所述待測人員的動態(tài)表情分類之間的對應(yīng)關(guān)系；獲取當前待測人員的當前特征組；通過所述對應(yīng)關(guān)系，確定與所述當前特征組所對應(yīng)的當前動態(tài)表情分類。通過分析在某一個固定場景下的面部動態(tài)表情視頻，對其表情所屬身份及表情強度類別做出預測，因而主要可以應(yīng)用于單位、工廠、教室等人員固定的場景內(nèi)。

技術(shù)領(lǐng)域

本申請涉及人臉表情檢測領(lǐng)域，特別是一種人工神經(jīng)網(wǎng)絡(luò)的人臉動態(tài)表情識別方法及裝置。

背景技術(shù)

隨著科學技術(shù)的發(fā)展，人臉識別的領(lǐng)域越來越廣，從生活中的刷臉打卡，到刷臉支付的普及，人臉識別一直都是計算機視覺、模式識別領(lǐng)域的研究熱點，除身份驗證外，在視頻監(jiān)控和網(wǎng)絡(luò)檢索領(lǐng)域也有著廣泛的應(yīng)用。隨著深度學習的發(fā)展和計算機計算性能的提高，人臉識別技術(shù)在最近的研究中取得了重大進展，在多個數(shù)據(jù)集上取得了相當好的識別率。而如何利用識別得到的人臉數(shù)據(jù)也成為了近年來的重點。

時下很熱門的應(yīng)用于審訊犯人的表情分析儀便是通過分析人臉特征，對受審訊人的面部表情做出估計，進而推斷其語言可信度。通過視頻監(jiān)控系統(tǒng)對司機工人等勞動人員進行實時檢測，可以分析出其疲勞、壓力等精神狀態(tài)，通過提前預警可以避免事故發(fā)生。而在很多公共場所，也可以通過監(jiān)控系統(tǒng)觀察分析人的表情，通過分析其是否慌張或表情異常提前對其進行控制調(diào)查，從一定程度上可以起到阻止某些破壞公眾秩序活動的發(fā)生。由此可見，表情識別技術(shù)在工業(yè)勞動、生活娛樂、人機交互等方面發(fā)揮越來越大的作用。

到目前為止，人臉的快速定位、表情的有效識別正處于研究與應(yīng)用的黃金期。由于其研究涉及深度學習、機器學習、心理學分析、生理學分析等多領(lǐng)域多學科。而由于每個人對于不同的心理與情緒在面部表情上的體現(xiàn)不同，這取決于性格、面部結(jié)構(gòu)等復雜影響的影響。動態(tài)表情則通過分析人臉所都具有的特征點的變化情況，相比單一的表情圖動態(tài)表情具有更強的普適性。

目前對于人臉表情的學習研究是廣泛且高質(zhì)的，但是單一的表情圖由于每個人面部結(jié)構(gòu)的不同以及心理反映差異的影響，對于實際應(yīng)用時單一表情的應(yīng)用局限較大。

發(fā)明內(nèi)容

鑒于所述問題，提出了本申請以便提供克服所述問題或者至少部分地解決所述問題的一種人工神經(jīng)網(wǎng)絡(luò)的人臉動態(tài)表情識別方法及裝置，包括：

一種基于人工神經(jīng)網(wǎng)絡(luò)的人臉動態(tài)表情識別方法，所述方法應(yīng)用于在人員固定場景下的視頻中人員表情所屬身份和/或表情強度類別預測；

所述方法包括：

獲取待測人員的原始視頻數(shù)據(jù)，并確定所述原始視頻數(shù)據(jù)中預設(shè)幀數(shù)的圖像數(shù)據(jù)；

依據(jù)所述預設(shè)幀數(shù)的圖像數(shù)據(jù)生成特征組；

利用人工智能的自學習能力，建立所述待測人員的特征組與所述待測人員的動態(tài)表情分類之間的對應(yīng)關(guān)系；

獲取當前待測人員的當前特征組；

通過所述對應(yīng)關(guān)系，確定與所述當前特征組所對應(yīng)的當前動態(tài)表情分類；具體地，確定與所述當前特征組對應(yīng)的當前動態(tài)表情分類，包括：將所述對應(yīng)關(guān)系中與所述當前特征組相同的特征組所對應(yīng)的動態(tài)表情分類，確定為所述當前動態(tài)表情分類。

進一步地，所述獲取待測人員的原始視頻數(shù)據(jù)，并確定所述原始視頻數(shù)據(jù)中預設(shè)幀數(shù)的圖像數(shù)據(jù)的步驟，包括：

獲取所述原始視頻數(shù)據(jù)視頻幀率和視頻時長；

依據(jù)所述視頻幀率和所述視頻時長確定所述原始視頻數(shù)據(jù)中預設(shè)幀數(shù)的圖像數(shù)據(jù)。